Kann menschliche Intelligenz von Maschinen simuliert werden? Mit dieser Frage beschäftigt sich die Künstliche Intelligenz (KI). Wie künstliche Intelligenz heute aussieht und welche drei Begriffe Sie zu dem Thema sonst noch kennen sollten, erklärt Ihnen dieser Beitrag.

Was ist künstliche Intelligenz?

Da es keine einheitliche Definition von künstlicher Intelligenz gibt, finden Sie nachfolgend eine einfache Erklärung. Künstliche Intelligenz (KI), auch bekannt unter dem englischen Begriff Artificial Intelligence (AI), ist der Versuch, menschliches Lernen und Denken auf Computersystemen nachzubilden. Dabei sollen sowohl das menschliche Lernen und das Ziehen von Schlussfolgerungen als auch das selbstständige Korrigieren von Fehlern simuliert werden. So sollen die Computersysteme eine gewisse „Intelligenz“ verliehen bekommen.

Besonders gut eignet sich KI, um Informationen aus Daten zu generieren, die Menschen gar nicht erfassen könnten. Zum Beispiel, weil die Datenmengen zu groß oder die zugrunde liegenden Muster zu komplex sind. Zudem wird künstliche Intelligenz häufig genutzt, wenn statische Programme an ihre Grenzen stoßen, weil die Berechnungszeit für ein Problem (z.B. das perfekte Schachspiel) zu hoch ist. Dann können KI-Algorithmen eingesetzt werden, um eine Näherung an die perfekte Lösung in einer akzeptablen Berechnungszeit zu erzeugen.

Im Deutschen findet zusätzlich eine Kategorisierung in starke und schwache künstliche Intelligenz statt. Unter starker KI wird dabei eine Maschine verstanden, die Probleme genereller Art lösen kann. Also egal welche Frage ihr gestellt wird, sie kann sie beantworten. Diese Form der KI ist aber noch reine Fantasie und wird es auch eine nicht absehbare Zeit bleiben. Mit schwacher KI hingegen haben wir es jetzt schon im Alltag zu tun. Unter schwacher KI werden Algorithmen verstanden, die spezielle Fragestellungen beantworten können. Die Lösungswege dazu wurden vorher selbstständig erlernt.

Im Zusammenhang mit künstlicher Intelligenz werden oft weitere Begriffe genannt. Die drei wichtigsten werden im Folgenden erläutert.

Machine Learning

Machine Learning ist eine Unterdisziplin der künstlichen Intelligenz, die Algorithmen nutzt, um Daten zu analysieren und intelligente Entscheidungen, basierend auf dem zuvor Erlernten, zu treffen. Anstatt dabei vordefinierten, regelbasierten Algorithmen zu folgen, baut Machine Learning eigene Modelle, um Daten zu klassifizieren und Vorhersagen zu treffen.

Zur Veranschaulichung ein Beispiel:

Eine Anwendung von Machine Learning könnte es sein, vorherzusagen, ob das Herz eines Patienten versagen kann. Dazu gehen wir einmal davon aus, dass die folgenden Daten im Datensatz gegeben sind: Schläge des Herzens (pro Minute), BMI, Alter, Geschlecht und, ob das Herz versagt hat oder nicht. Machine Learning ist mit diesen Daten in der Lage ein Modell zu kreieren, das Vorhersagen für neue Datensätze, in diesem Fall Patienten, treffen kann. Der große Vorteil von Machine Learning ist, dass nicht der Mensch nach Zusammenhängen sucht und diese in Algorithmen abbildet, sondern, dass das System selbst nach Mustern sucht.

Deep Learning

Unter Deep Learning wird eine spezialisierte Unterdisziplin von Machine Learning verstanden, die geschichtete Neuronale Netze nutzt, um menschliche Entscheidungsprozesse zu simulieren. Die Deep-Learning-Algorithmen können sowohl Informationen kategorisieren sowie kennzeichnen als auch Muster identifizieren. Dabei generiert Deep Learning aus einem Input nicht direkt einen Output, sondern jede Schicht gibt ihr Ergebnis an die nächste Schicht weiter.

Deep Learning Künstliche Intelligenz

So ermöglicht Deep Learning den KI-Systemen kontinuierlich weiter zu lernen und damit die Qualität und Genauigkeit ihrer Ergebnisse stetig zu verbessern, wohingegen bei älteren Machine-Learning-Algorithmen die Effizienz irgendwann ein Plateau erreicht. Beispiele für Deep Learning sind Stimmen- und Gesichtserkennungssysteme.

Neuronale Netze

Neuronale Netze sind inspiriert von den biologischen neuronalen Netzen, arbeiten allerdings etwas anders als ihre Vorbilder. Ein neuronales Netz im KI-Umfeld ist eine Sammlung von kleinen Recheneinheiten („Neurons“), die eingehende Daten nehmen und im Laufe der Zeit lernen, Entscheidungen zu treffen. Das Netz lernt durch einen Prozess, der als Backpropagation oder auch Fehlerrückführung bezeichnet wird. Dabei werden die Inputs in das neuronale Netzwerk gegeben und die Outputs werden bestimmt. Nachdem dann der tatsächliche Output mit dem gewünschten Output verglichen wurde, wird das neuronal Netz angepasst, um die Fehlerrate zu reduzieren.

Anwendungsbeispiele in der Praxis

Es bieten sich unzählige Anwendungsmöglichkeiten für KI-Algorithmen, von denen im Folgenden drei Beispiele erläutert werden:

  • Bilderkennung: Künstliche Intelligenz ist in der Lage aus einer Anzahl von Bildern zu lernen wie z.B. eine Katze aussieht. Aus den vorhandenen Bildern ermittelt sie Regeln, um dann auch bei neuen Bildern bestimmen zu können, ob das Bild eine Katze zeigt oder nicht.
  • Werbung: Auch die Werbung, die uns beim Surfen im Internet angezeigt wird, wird von Systemen mit künstlicher Intelligenz ausgewählt. Die sogenannten „Recommondation Systems“ (dt.: Empfehlungssysteme) begegnen uns z.B. bei Amazon, Netflix und Co. Sie versuchen basierend auf unseren bisherigen Aktivitäten und Interessen, das für uns passende Produkt vorzuschlagen. 
  • Auswahlprozess von Mitarbeitenden: Große Unternehmen wie IBM und Facebook nutzen KI für ihren Auswahlprozess. Bei Bewerbungsgesprächen werden mithilfe von Kameras z.B. der Gesichtsausdruck, die Sprachwahl oder die Motivation des Bewerbers/der Bewerberin beurteilt.

Mögliche Gefahren der KI

Das letzte Beispiel zeigt deutlich, dass sich technisch immer mehr Möglichkeiten bieten. Aufgaben, wie das Analysieren von Bewerbern, die vorher rein von Menschen durchgeführt wurden, können inzwischen auch von KI-Systemen durchgeführt oder zumindest unterstützt werden.

Trotz all der Möglichkeiten sollte beachtet werden, dass KI auch das Potential haben kann, die Menschheit negativ zu beeinflussen.

Mögliche Gefahren können sein:

  • eine unreife Implementierung: Wenn ein unreifes Produkt zu früh auf den Markt gebracht wird und z.B. nicht vollständig auf alle möglichen Situationen trainiert wird.
  • unbeabsichtigte Befangenheit: Das System wurde mit Daten trainiert, die für eine gewisse Voreinstellung des Systems sorgen. Dies kann z.B. passieren, wenn hauptsächlich Daten von Männern zum Trainieren des Systems genutzt wurden und dadurch falsche Schlussfolgerungen bei Frauen gezogen werden.
  • böswillige Modellarchitekturen: Das System wurde absichtlich zu einem negativen Zweck konstruiert und soll z.B. bestimmte Bevölkerungsgruppen benachteiligen.

Daher ist es wichtig, gesellschaftliche Akzeptanzkriterien für KI zu definieren. Denn am Ende muss der Mensch entscheiden, welche Aufgaben er bereit ist an KI zu übergeben und welche er lieber in menschlichen Händen lässt, selbst wenn eine technische Umsetzung möglich wäre.

Managed Services Leitfaden Vorderseite

KOSTENLOSES WHITEPAPER

3 Schritte hin zu einer serviceorientierten IT

Möchten Sie mehr über die Einführung von IT-Services in Ihrem Unternehmen erfahren? Dieser Leitfaden hilft Ihnen eine passende Vorgehensweise für die Definition von IT-Services und die Aufstellung Ihrer IT als interner Service Provider zu entwickeln

New call-to-action